最近在二级市场，凡是沾上“AI端侧”四个字的事情，资金反应都特别快。从AI手机到AI眼镜，再到端侧大模型的小型化部署，我身边不少做TMT研究的朋友都在反复聊同一个问题：端侧AI到底哪些环节能真正兑现业绩，哪些只是讲故事？这期我把整条产业链从模型、芯片到应用的逻辑重新捋了一遍，顺便整理了一份A股市场里常被贴上“端侧AI”标签的概念股名单，也会聊聊怎么避免被伪概念带偏。不管你是做投研、做产品还是单纯对AI落地好奇，这篇应该都能给你一个相对清晰的坐标系。

先说个结论：端侧模型的加速落地，不是突然冒出来的概念，而是芯片算力、内存带宽、模型压缩技术和终端需求四股力量凑到一起的结果。只有当这四件事同时成熟，AI才能从云端数据中心真正走到每个人手里的设备上。

1. AI端侧模型到底是什么，为什么今年突然加速

1.1 从“云端推理”到“本地推理”的本质变化

端侧模型，指的是一类经过压缩、量化后可以直接部署在手机、PC、汽车、IoT设备等终端上的大语言模型或者多模态模型。过去三年我们熟悉的ChatGPT、文心一言、通义千问这些大模型，主流使用方式是“云侧推理”——你在手机上打字提问，数据传到云端的GPU服务器上，服务器算完再把结果传回手机。好处是模型很大、能力很强，坏处也很明显：有网络延迟、有隐私隐患、服务器成本高，而且一旦信号不稳，AI就变成“人工智障”。

端侧模型做的事情，本质上就是把这个推理过程从远程搬到本地。为了让模型能塞进手机里，工程师们用了不少技术手段：INT4/INT8量化、权重剪枝、知识蒸馏、算子的端侧适配层优化……一通操作下来，一个70B参数的大模型可以压缩到3B甚至1B级别，精度损失控制在可接受范围内，却能在完全离线、不联网的环境下跑起来。举个更直观的例子：苹果那套端侧AI模型大约只有3B参数，用INT4量化后占用内存约1.5-1.8GB，和玩一个大型手游的内存开销差不多。这种“轻量化大模型”就是端侧AI能够落地的第一块基石。

1.2 为什么是“加速落地”而不是“刚起步”

端侧模型其实五六年前就有雏形——那时候手机上跑的是端侧人脸识别、相册分类等小神经网络模型，和今天动辄几十亿参数的大模型完全不是一个量级。真正的加速发生在最近两年，原因有三个。

第一，硬件基础到位了。手机SoC里的NPU（神经网络处理单元）算力突飞猛进，主流旗舰SoC算力普遍在30-45 TOPS级别，配合16GB甚至24GB的运行内存，已经能流畅运行一个7B左右的量化模型。车的智能座舱芯片算力更高，动辄上百TOPS，跑大模型更是绰绰有余。

第二，成本逻辑变了。云端推理需要不断买GPU、建机房、交电费，成本压力越来越大；而终端设备里的芯片，大部分时间其实在闲置。算一笔简单的账：一个月活跃用户过亿的AI应用，如果全部走云端推理，一个稍微复杂的请求就要消耗好几美分；如果其中70%的简单任务能放到用户本地手机芯片上完成，运营成本直接下降一个量级。这种“把算力搬回用户口袋”的商业动力，比任何技术宣传都实在。

第三，AI Agent的出现让端侧模型的价值陡增。Agent需要理解你的日程、通讯录、App使用习惯等大量个人数据，把这些数据传到云端既不安全也不符合隐私法规。端侧模型因为天然“长”在设备里，可以拿到上下文信息又不把隐私交出去，这正是AI Agent能够真正“懂你”的前提。

2. 端侧AI落地的几个主战场

2.1 高端智能手机是第一批战场

智能手机是端侧AI最直接、用户感知最强的载体。2024年下半年开始，各家的旗舰新机发布会几乎都被AI功能刷屏：AI修图、智慧摘要、实时通话翻译、跨App的Agent操作。这些功能的共同点是都在调用端侧模型而不是云端API。

我在实际体验过程中最大的感受是：延迟确实是肉眼可见的差别。一个简单的本地语音助手唤醒词识别，云端方案通常要200-400毫秒，而在端侧只需要20-50毫秒；字生成速度在顶级旗舰上可以达到每秒20个Token左右，日常问答完全流畅。但这里有一个特别关键的工程约束，不是算力，而是内存带宽。模型每生成一个Token，都需要把权重从内存里读一遍，频率极高。如果内存带宽不够，就算NPU算力再强也会被“饿死”。这就是为什么高通、联发科在旗舰SoC上死磕LPDDR5X高带宽存储的支持能力，也是为什么苹果只在内存达到8GB以上的机型上开放Apple Intelligence——本质上都是带宽和容量在卡脖子。

2.2 AI PC、智能座舱与AI眼镜：三个被低估的方向

如果手机是端侧AI的排头兵，AI PC就是真正能“吃得饱”的载体。PC的内存普遍16GB起步，旗舰机型直接32GB甚至64GB，跑一个7B-13B的端侧模型几乎毫无压力。微软早在2024年就提出Copilot+ PC的入网标准：NPU算力要超过40 TOPS，内存至少16GB。这个标准直接拉动了高算力NPU模块、大容量LPDDR5内存的需求，也让一批PC终端代工厂和结构件厂商进入了AI概念股的视野。

智能座舱是另一个我认为被低估的端侧AI落地点。汽车对延迟和安全的要求更高，网络隧道里的信号不一定稳定，很多车型在高速地库、偏远地区根本没有网络。如果在车里部署端侧模型，语音导航、用车手册问答、方言识别都能离线完成，体验会好很多。目前已经有整车厂在座舱域控制器里集成5B-7B的量化模型，专门做本地语义理解，而且车规级SoC算力本来就比较充足，这种趋势扩散很快。

AI眼镜和TWS耳机则是端侧AI的“轻量试验田”。这类设备体积小、电池小、散热差，根本放不下高算力SoC，所以主流方案是“手机端推理+眼镜端交互”：眼镜负责采集视频和音频，手机里的端侧模型负责理解语义，再把结果回传显示。真正把模型塞进眼镜本体的，目前只敢跑一些1B以下的极轻量模型。体验虽然大打折扣，但产业链已经动起来了，这也是不少声学、光学公司被市场盯上的原因。

2.3 端云协同会成为主流形态

要特别纠正一个误解：端侧模型不是要“取代”云端大模型，恰恰相反，未来很长一段时间的主流是端云协同。简单任务本地跑，复杂任务上云端。以翻译为例，日常短句在本地模型上几毫秒就能给出结果；遇到整段长文、专业术语，本地模型能力不够，就自动切换到云端大模型。这就像你手机里的地图导航——找附近的加油站用本地缓存就能搞定，跨城远途导航才需要实时下载路况。

从产业判断的角度看，“只做端侧模型”和“只做云侧模型”的公司，可能都不如“两端通吃”的公司有长期竞争力。端云协同对终端厂商的好处是：既能享受本地低延迟、高隐私的优势，又保留云端大模型的复杂能力兜底。所以我在筛选相关公司的业务时会特别关注一个细节：这家公司是在做纯端侧的模型推理，还是已经建立了端云协同的分层调度架构？后者更容易形成用户粘性和长期护城河。

3. 拆解端侧AI产业链：钱到底流进了哪个环节

3.1 算力层：SoC与NPU是最确定的受益环节

端侧AI推理这件事，最终要落在终端SoC芯片上。不管是手机、PC还是汽车座舱，都需要一颗算力足够强的SoC，尤其是指标上持续刷新的NPU单元。整个AI功能跑起来，绝大多数矩阵运算都要靠NPU来完成。在这个环节，我观察到国产芯片公司的机会在结构性提升：从平板SoC到机顶盒芯片、TWS耳机主控，再到智能家居主控，不少环节都开始把“支持端侧模型”作为芯片的核心卖点。

瑞芯微是我跟踪比较久的公司，它的RK3588系列SoC集成了6 TOPS算力的NPU，配合自研的RKNN工具链，在国内的AIoT和边缘计算市场出货量相当可观。恒玄科技则卡位TWS耳机和AI眼镜的主控芯片，最新一代BES系列SoC主打超低功耗和端侧语音识别，这类芯片虽然算力不算高，但在穿戴设备里的适配性很强。晶晨股份在智能机顶盒/电视芯片领域的地位更不用多说，他们也在往端侧AI的方向上靠。全志科技、翱捷科技等公司在各自的垂直场景里都有自己的AI SoC布局。除此之外，SoC量产还需要晶圆制造、封装测试、PCB基板、散热材料等一系列配套，整条硬件链都会跟着受益。

3.2 存储层：最容易被忽视的“军火商”

很多人聊端侧AI，眼里只有芯片，却忽略了一个硬道理：AI模型的权重必须驻留在内存里，推理过程中要反复读取。3B模型INT4量化后约1.5GB，7B模型约3.5GB，还要加上缓存开销和系统占用，手机运行内存没有12GB以上根本玩不转。所以端侧AI大趋势下的一个隐藏受益环节就是——存储，包括运行内存（DRAM）和闪存（NAND）。

现在旗舰手机内存已经普遍从8GB升到12GB/16GB，AI PC的内存标配更是从16GB直接跳到32GB。存储芯片的价格在2024年下半年开始涨价，叠加“容量升级”的双重驱动，存储模组厂商和芯片设计公司的业绩弹性其实比很多所谓“AI概念股”都要实在。需要强调的是，这不是投资建议，只是一个产业发展逻辑：当每个终端的存储容量都在往上抬，存储环节的基本面是在系统性改善的。

3.3 传感器与交互层：多模态让CIS和麦克风也吃到了红利

端侧AI Agent要想真正理解环境和人，就不光要“能思考”，还得“有眼睛、有耳朵”。图像传感器（CIS）作为AI视觉感知的第一入口，需求逻辑变得更强：手机多摄方案、AI眼镜第一视角拍摄、车规影像系统，都需要更高像素、更高动态范围的CIS。语音交互这条线上，麦克风阵列、语音增强处理芯片也在向更高规格升级。

不过坦白讲，这个环节的公司数量太多、客单价偏低，很容易被市场拿来“蹭概念”。很多做麦克风模组的公司，实际AI相关收入可能只是总营收的几个百分点，但在二级市场的热度却完全不匹配。如果你要跟踪这个环节，重点应该放在产品是不是真的打入了AI旗舰终端的供应链，以及AI终端出货量的实际拉动上。

3.4 软件与工具链：隐藏的价值洼地

端侧AI要真正跑起来，除了芯片和模型，还需要一套软件栈：模型压缩工具、推理框架、算子库、任务调度引擎。这套东西太重要了——同样的7B模型，如果用不同公司的工具链做量化优化，首字延迟能差出一倍多。目前A股市场里纯软件标的比较少，更多是芯片公司绑定自己的SDK，比如瑞芯微有RKNN、恒玄有BES SDK，本质上就是靠软件生态锁定开发者。长期来看，具备自研模型压缩和端侧推理优化能力的公司，护城河反而可能比单纯做硬件的公司更深。

4. 一份基于产业逻辑整理的A股概念股名单

4.1 先说清楚：这份名单不是荐股

在看名单之前，必须先强调我的立场：下面这份表格只是我基于公开产业逻辑整理的一份“研究观察池”，用来追踪端侧AI产业链的真实落地进度，不构成任何投资建议。任何投资决策都必须结合你自己的风险承受能力、最新的财务数据和合规要求。我只负责把产业链条拆清楚，告诉你这些公司为什么会被市场贴上“端侧AI”的标签，以及两者之间的关联度有多高。

4.2 按产业链环节梳理核心公司池

这里列的公司，我在“关联度说明”里做了分层。真正强关联的，必须满足一个条件：已经有量产的端侧AI相关产品，并且能在收入端看到业务贡献。只停留在“在研”“送样”“战略合作”阶段的公司，我建议你把它们放在二级观察池，等量产放量信号出现再追踪。

4.3 容易被误认成“端侧AI”的伪概念

说完正面的，得提一下那些容易让人混淆的概念。市场上总有些公司，主营业务生产云端服务器的代工厂，或者做数据中心算力芯片的，也会因为“AI”这个标签被资金爆炒。但严格来说，它们属于云端AI产业链，不是端侧AI。

举几个典型的例子：做服务器代工的公司，比如市场常说的工业富联，确确实实受益于AI算力需求，但它承接的是云端数据中心业务，和“端侧模型跑在手机/汽车里”不是一回事。还有做通用GPU/云端AI加速芯片的公司，比如寒武纪、海光信息，它们布局的是AI训练和云端推理，而端侧AI更强调的是低功耗、低成本、隐私保护的本地推理，这两条技术路线的客户、产品形态、毛利率模型都不一样。不是说这些公司不好，而是当你在研究“端侧AI”这个主题时，必须把云端和端侧分开看，否则很容易被资金“影视板块”式的标签流带着走。

4.4 用“三个是否”筛选名单里的公司

整理完这个公司池，我还想分享一个自己总结的筛选框架，叫“三个是否”测试：

第一，这家公司是否有已经量产的、面向端侧AI的终端芯片或模组？很多公司说自己在做“AI芯片”，但可能只是流片阶段，距离真正量产出货还有12个月以上，中间变数太大。

第二，是否已经进入知名终端品牌的供应链并产生了实际收入？端侧AI不是纯技术游戏，而是要打进苹果、华为、小米、比亚迪、理想等终端厂商的供应链体系。一旦进入供应链并开始出货，收入数据很快能在财报上体现出来，这样的公司才是“做实”的。

第三，AI相关业务占公司总营收的比例是否开始上升？有些公司确实和AI沾边，但相关收入占比不到5%，即使AI大爆发，对总利润的拉动也有限。这个指标决定了公司在AI浪潮里的“弹性”。

用这三个标准筛一圈，你会发现能真正纳入核心观察池的公司其实不多。大量公司只是在蹭概念，这一点在任何新兴技术周期里都一样。股市永远不缺少讲故事的人，关键是你自己心里要有把尺子。

5. 容易踩的坑与个人实操体会

5.1 我踩过的几个“认知坑”

做产业研究这些年，我在这类主题上踩过不少坑，拿出来分享一下，帮大家少走弯路。

坑一：把“AI+终端”直接等同于“端侧AI”。很多App集成了AI功能，但用的其实是云端API，终端只是一个调用的壳子。真正的端侧AI，需要能在无网环境下完成全流程推理。判断标准很简单：关掉WiFi和蜂窝数据，看看功能还能不能稳定跑起来。我试过不少所谓“AI手机”，关网后能用的功能其实只有AI修图和本地语音助手，其他基本都是云端镜像。

坑二：只盯着算力芯片，忽视存储和散热。刚开始研究端侧AI时，我也一门心思扑在SoC芯片公司上，后来整理产业数据才发现，存储模组公司的业绩兑现速度往往更快，因为内存容量升级是确定性的、规模化的需求；而散热材料则是所有端侧AI设备都绕不开的物理瓶颈。手机跑大模型时，芯片功耗轻松到5W以上，没有先进的散热方案就是灾难。后来我把存储和散热纳入核心观察维度后，对这个产业链的理解才更加立体。

坑三：低估了“验证周期”。终端品牌导入一颗新的芯片或者一套新的存储方案，需要经过送样、测试、小批量试产、量产爬坡等阶段，整个周期大约12-18个月。很多公司发布一个“签订战略合作协议”的公告，市场就兴奋得不行，但实际上距离产生营收还隔着整整一年多的不确定性。记住一个朴素的道理：公告是故事，量产才是事实。

5.2 我从产业调研中学到的观察方法

如果你也想持续跟踪端侧AI的落地节奏，分享几个我平时用的方法。

第一，关注大厂发布会上的具体参数，而不仅仅是“AI”两个字。比如看手机发布会时，重点关注三个数字：NPU的TOPS算力、运行内存容量、端侧模型参数级别。一旦看到“5B 端侧大模型离线可用”“每秒生成20个Token”这类描述，说明这是实打实的端侧AI，而同一条产业链上的公司就是潜在受益者。

第二，听电话会时，不要只听战略，要看经营数据。我最关注三个指标：AI相关收入的绝对值和占比、导入的客户数量、毛利率变化趋势。特别是毛利率——如果一家公司宣称自己靠AI大杀四方，但毛利率却在往下走，说明它很可能只是贴牌或者低端加工，没有真正的竞争壁垒。

第三，自己建立一个“26周验证法”。我是这样做的：当一个AI终端新品发布后，给自己设一个26周（大约半年）的观察期，在这段时间内关注它的出货量、用户口碑、拆解报告和上游供应商的订单变化。半年时间足够验证一个产品是“真实放量”还是“发布即巅峰”。这套方法听起来没什么黑科技，但长期坚持下来，能过滤掉大量市场噪声。

我自己在这些年跟踪AI产业的过程中，越来越认同一个感受：一个概念从火起来到真正兑现业绩，中间隔着的不是想象力，而是晶圆良率、供应链库存、终端销量这些非常枯燥的东西。端侧AI的长期趋势是确定的，但哪些公司能吃到肉、哪些只能喝汤，答案藏在每一份季报、每一次产品拆解和每一条产线爬坡的数据里。把这套产业逻辑放在心里，再去看市场和名单，你会比别人更冷静，也更笃定。